贝叶斯结果加权学习
统计方法学
2024-06-18 v1
摘要
统计精准医学的首要目标是学习最优的个体化治疗规则(ITRs)。 基于分类的或机器学习的方法来估计最优 ITRs 首先由结果加权学习(OWL)提出。 OWL 将最优 ITR 学习问题重新表述为加权分类问题，可使用机器学习方法求解，如支持向量机。 本文引入了 OWL 的贝叶斯形式。 从 OWL 目标函数出发，我们生成一个伪似然函数，可表示为正态分布的比例混合。 我们开发了 Gibbs 抽样算法来抽样参数的后验分布。 除了提供学习最优 ITR 的策略之外，贝叶斯 OWL 提供了一种自然的概率方法，用于估计 ITR 治疗建议本身的不确定性。 我们通过几个仿真研究展示了该方法的性能。
引用
@article{arxiv.2406.11573,
title = {Bayesian Outcome Weighted Learning},
author = {Sophia Yazzourh and Nikki L. B. Freeman},
journal= {arXiv preprint arXiv:2406.11573},
year = {2024}
}
备注
20 pages, 2 tables, 2 figures